پیش‌بینی مقادیر دما و بارش استان اصفهان براساس دو مدل ریزمقیاس نمایی Lars_WG و SDSM و روش شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 کارشناسی ارشد اکوهیدرولوژی، دانشکده علوم و فنون نوین، دانشگاه تهران، ایران

2 استادیار گروه انرژی‌های نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران، ایران

چکیده

برای آگاهی از وضعیت یک ایستگاه محلی با استفاده از (GCMs) نیاز است که مدل ها براساس رفتارهای محلی داده های ایستگاه عمل کنند، بنابراین ریزمقیاس سازی انجام می گیرد. در این مطالعه با استفاده از مدل های SDSM، LARS_WG و روش شبکه عصبی مصنوعی به وسیله داده های مشاهداتی به دست آمده از 6 ایستگاه سینوپتیک استان اصفهان به پیش بینی دما و بارش این ایستگاه ها از سال 1384 تا سال 1428 پرداخته شده است. ضریب همبستگی پیرسون (r) و ضریب تعیین (2 R) بین داده های مشاهداتی و داده های سناریوهای منتخب در تمامی ایستگاه ها بالای 0.6 است. نتایج به دست آمده نشان می دهند که مدل SDSM برای پیش بینی دما نسبت به دو مدل دیگر کارایی بیشتری دارد، همچنین براساس نتایج به دست آمده دمای استان اصفهان از سال 1384 تا سال 1428 افزایش تدریجی داشته و در سال 1384 دارای کمترین مقدار و در سال 1426 بیشترین مقدار را داشته است و اختلاف دمای این سال ها تقریبا برابر2.3 درجه سانتی گراد است و تغییرات بارش تقریبا همانند تغییرات فعلی است و در سال 1402 و 1406 بیشترین مقدار بارش را خواهیم داشت که در ایستگاه داران که بارندگی بیشتری نسبت به دیگر ایستگاه ها دارد، تقریبا برابر 2.5 میلیمتر خواهد بود و بنابراین استان اصفهان نیازمند راهکارهای مدیریتی مناسب برای کاهش مصرف آب است که از احتمال وقوع کم آبی و خشکسالی در سال های پیش رو جلوگیری به عمل آید.

کلیدواژه‌ها


عنوان مقاله [English]

The Isfahan values of Temperature and Precipitation Forecast Based on Two Fine scale models Lars_WG and SDSM and Artificial Neural Network Method

نویسندگان [English]

  • Arian Zarfeshani 1
  • Mohammad Hossein Jahangir 2
1 MSc of Ecohhydrology, Faculty of New Science and Technologies, University of Tehran, Iran
2 Assistant Professor, Department of New Energy and environment, Faculty of New Science and Technologies, University of Tehran, Iran
چکیده [English]

It is necessary the (GCMs) act on the local behavior of the station data, to understand the status of a local station using these models. In this study using SDSM, LARS_WG models and artificial neural network method Based on observational data obtained from 6 synoptic stations in Isfahan province, temperature and precipitation forecasts of these stations from 2005 to 2050 have been investigated. Pearson's correlation coefficient (r) and coefficient of determination (R2) between observational data and scenario data at all stations are above 0.6.The results show that the SDSM model is more efficient for predicting temperature than the other two models. Based on the results, the temperature of Isfahan province increased from 2005 to 2050 and In 2005 it had the lowest value and in 2050 it had the highest value and the temperature difference of these years is about 2/3°C, Precipitation changes are almost similar to current changes and we will have the highest amount of precipitation in 2024 and 2028 which, in daran statian which, it has more rainfall than other stations, it will be about 2/5 mm, therefore, Isfahan province needs appropriate management strategies to reduce water consumption to prevent the possibility of dehydration and drought in the years ahead.

کلیدواژه‌ها [English]

  • Temperature
  • Precipitation
  • Artificial Neural Network
  • SDSM
  • LARS-WG
آشفته، پ. و حداد، ا. ب. (1392). ارائه ی رویکرد احتمالاتی ارزیابی اثرات تغییر اقلیم بر منابع آب. مهندسی منابع آّب. 6 (19): 51–66.
احمدی باصری، ن.، شیروانی، ا. و ناظم­السادات، م. (1392). کاربرد مدل شبکه عصبی مصنوعی در خرد مقیاس نمودن برون داد‌ه‌های مدل GCM برای پیش‌بینی بارش در پهنه‌ی جنوبی ایران. آب و خاک. 28(5): 1037–1047.
بابائیان، ا. و کوهی، م. (1391). ارزیابی شاخص‌های اقلیم کشاورزی تحت سناریوهای تغییر اقلیم در ایستگاه های منتخب خراسان رضوی. آب و خاک، 26(4): 953–967.
زابل عباسی، ف.، ملبوسی، ش.، بابائیان، ا.، اثمری، م. و برهانی، ر. (1389). پیش بینی تغییرات اقلیمی خراسان جنوبی دردوره 2039ـ2010 میلادی با استفاده از ریزمقیاس نمایی آماری خروجی شبیه‌ساز .ECHO_G نشریه آب و خاک (علوم و صنایع کشاورزی)، 24(2): 218–233.
مدرسی، ف.، عراقی نژاد، ش.، ابراهیمی، ک. و خلقی، م. (1390). بررسی اثر تغییر اقلیم بر میزان آبدهی سالانه رودخانه ها (مطالعه موردی: رودخانه گرگانرود). آب و خاک (علوم و صنایع کشاورزی)، 25(6): 1365–1377.
مساح بوانی، ع. و مرید، س. (1384). اثرات تغییر اقلیم برجریان رودخانه زاینده رود اصفهان. مجله علوم و فنون کشاورزی و منـابع طبیعـی، 9(4): 17–27.
Aksoy, H. and Dahamsheh, A. 2009. Artificial neural network models for forecasting monthly precipitation in Jordan. Stochastic Environmental Research and Risk Assessment. 23(7): 917–